使用监督机器学习识别与严重COVID-19相关的患者人口统计学,临床和SARS-CoV-2基因组因素:一项回顾性多中心研究

科学领域:

• 传染性疾病 传染性疾病
• 基因组学就是基因组学.
• 机器学习 机器学习

背景情况:

• COVID-19的严重程度是复杂的,受到病毒和宿主因素的影响,因此对结果的预测具有挑战性.
• 将病毒基因组数据与临床信息联系起来至关重要,但目前有限.
• 了解这些联系是预测不同SARS-CoV-2变种疾病严重程度的关键.

研究的目的:

• 创建一个数据集,将COVID-19患者的临床数据与病毒基因组信息联系起来.
• 调查SARS-CoV-2基因组特征与临床疾病表型之间的关联.
• 评估基因组与COVID-19住院治疗的临床数据的预测能力.

主要方法:

• 从11个GTA医疗机构招募了确诊SARS-CoV-2的成年患者 (2020年3月至2022年4月).
• 开发监督机器学习模型来预测住院治疗.
• 利用SARS-CoV-2血统特定的基因组特征,人口统计,症状和并发症作为特征.

主要成果:

• 617名患者提供了完整的临床和病毒全基因组数据,50.4%被住院治疗.
• 住院患者的年龄明显大 (平均年龄为66.67岁),而非门诊患者 (平均年龄为44.89岁).
• SHAP分析确定了血管疾病,肺部疾病和发烧是住院治疗的关键临床预测因素. 预先存在的VOC变种与住院治疗有关.

结论:

• 仅仅病毒基因组特征对COVID-19住院治疗的预测价值有限.
• 结合临床和基因组数据,可以了解影响严重程度的患者特异性和病毒相关因素.
• 与病毒基因组特征相比,临床特征在预测住院治疗方面表现出更强的区分能力.